2.2 生成器模式

合集下载

生成器模式实验报告

}
import javax.swing.*; public class Director{ private Builder builder; Director(Builder builder){ this.builder=builder;
} public JPanel constructProduct(){ builder.buildButton(); builder.buildLabel(); builder.buildTextField(); JPanel product=builder.getPanel(); return product; } }
一、实验内容：
教师签名：年
月
日
实验步骤：（算法描述、源程序、操作步骤和方法） import javax.swing.*; public class Application{ public static void main(String args[]){ Builder builder=new ConcreteBuilderOne(); Director director=new Director(builder); JPanel panel=director.constructProduct(); JFrame frameOne=new JFrame(); frameOne.add(panel); frameOne.setBounds(12,12,200,120); frameOne.setDefaultCloseOperation(JFrame.DISPOSE_ON_CLOSE); frameOne.setVisible(true); builder=new ConcreteBuilderTwo(); director=new Director(builder); panel=director.constructProduct(); JFrame frameTwo=new JFrame(); frameTwo.add(panel); frameTwo.setBounds(212,12,200,120); frameTwo.setDefaultCloseOperation(JFrame.DISPOSE_ON_CLOSE); frameTwo.setVisible(true); }

生成器模式

图的三步了，现在来分析下创建House类的细节
下面，就是具体的生成器NormHouseBuilder类实现内部具体的构造细节
客户在界面上选择普通房间的所有属性就是要创建的House对象的细节，经过上面的分析，这些细节部分全部设置完毕，并且得到了一个NormHouse对象。这样，就可以在界面右端显示得到的House对象的属性。如下图
生成器模式应用实例
某公司要设计一个房屋选购系统，系统内部房屋分为2种类型：普通型与豪华型。不同房型体现在面积大小以及卧室、卫生间、车库、花园、和游泳池的数量上
• 房屋选购系统生成器模式设计图
• 房屋选购系统的时序图
• 时序图分析
首先，客户在界面上选择一个房屋类型(如： NormalHouse),就会创建一个NormalHose对象nb当做参数，传给setHouseBuilder(nb) 然后，调用constructWholeHouseObj()发消息给 Director对象，要求Director按照它的其中一个实现类NormalHoseBuilder的细节来创建一个完整的House对象最后，调用getHouse()发消息给Director对象，要求获取创建好的House对象。
使用生成器模式的特点如下
（1）生成器让用户可以变化它建造产品的内部表达形式，它也隐藏了产品怎样被装配的细节（2）每个具体的生成器都独立于程序的其他生成器，因此完善了程序的模块化，并且使添加其他生成器变得相对简单（3）由于每个生成器根据数据逐步构建最终产品，用户对生成器构建的最终产品有更多的控制（4）生成器模式与抽象工厂模式有相似之处，都返回由其他一些对象组成的类的对象。主要区别是，抽象工厂模式返回一个类族，而生成器模式逐步按照次序构建一个复杂的对象，最后该对象被返回

基于深度学习的图像超分辨率算法研究毕业设计论文

基于深度学习的图像超分辨率算法研究第1章引言1.1 研究背景与意义超分辨率算法旨在从低分辨率图像中恢复出高分辨率图像，广泛应用于医学成像、监控和安全等领域。

医学成像中，提高分辨率有助于诊断；监控领域，能清晰识别面部特征；安全领域，能放大图像细节以协助调查。

传统方法如插值和边缘检测存在局限性，深度学习技术的引入为超分辨率提供了新途径。

深度学习，尤其是卷积神经网络（CNN）和生成对抗网络（GAN），在图像处理领域表现出强大的能力。

CNN能自动提取特征并进行非线性映射，提高图像分辨率；GAN由生成器和判别器组成，通过对抗训练生成更真实的高分辨率图像。

这些模型在图像超分辨率领域取得了显著进展，如SRCNN和EDSR模型。

1.2 研究内容与方法本研究探讨深度学习在图像超分辨率中的应用，分析卷积神经网络和生成对抗网络的优缺点，并进行比较分析。

研究内容包括超分辨率算法原理、深度学习方法、模型性能比较和评估标准。

深度学习方法的核心在于通过神经网络学习低分辨率和高分辨率图像之间的映射关系，从而能够重建高分辨率图像。

常见的深度学习方法包括卷积神经网络和生成对抗网络。

卷积神经网络自动提取特征并映射到低分辨率图像到高分辨率图像的变换中，但需要大量训练数据和计算资源。

生成对抗网络由生成器和判别器组成，通过对抗训练生成高分辨率图像，但训练过程复杂且稳定性和收敛性有待提高。

本研究采用峰值信噪比（PSNR）、结构相似性（SSIM）和视觉质量评估等方法比较不同算法的性能。

通过实验验证，分析不同方法的优缺点，并展望未来的研究方向。

第2章图像超分辨率算法概述2.1 传统超分辨率算法简介传统超分辨率算法在图像处理领域具有重要地位，旨在从低分辨率图像中重建高分辨率图像。

这些方法大致可以分为三类：基于插值的方法、基于边缘的方法和统计方法。

基于插值的方法是最为直观和简单的手段，主要包括最近邻插值、双线性插值和双三次插值等。

然而，这些方法在处理复杂图像时，往往会导致模糊和失真等问题，因为它们缺乏对图像内在结构和特征的理解。

二十三种设计模式[3]-生成器模式（BuilderPattern）

⼆⼗三种设计模式[3]-⽣成器模式（BuilderPattern）前⾔⽣成器，⼜名建造者模式，属于创建型模式。

在《设计模式 - 可复⽤的⾯向对象软件》⼀书中对它的描述为“ 将⼀个复杂对象的构建与他的表⽰分离，使得同样的构建过程可以创建不同的表⽰ ”。

与和不同的是，⼯⼚⽅法侧重于将类的实例化延迟到⼦类，由⼦类决定⼯⼚的创建，从⽽得到⼀个产品，抽象⼯⼚则是⼀个包含了多个⼯⼚⽅法的⼤型⼯⼚，更侧重于⼀系列产品的创建，⽽⽣成器在创建产品同时，更加关注于产品的创建逻辑。

由于它们的侧重点不同，⼯⼚⽅法适合创建复杂的产品，⽣成器适合创建更加复杂的产品。

⼀个简单的例⼦。

抽象⼯⼚代表了⼀个⽣产多种产品的代⼯⼚，⼯⼚⽅法代表了某个产品的⽣产车间，⽣成器则代表了某个产品的⽣产线。

结构在⽣成器中，需要如下⼏种⾓⾊的⽀持：IBuilder(⽣成器接⼝)：⽤来定义创建⼀个产品实例所需要的各个函数；ConcreteBuilder(⽣成器接⼝实现)：实现创建产品实例所需要的各个函数；Director(导向器)：使⽤⽣成器来创建产品，封装了产品的实例化逻辑；Product(产品)：被导向器创建的产品对象；实现所谓“ 将⼀个复杂对象的构建与它的表⽰分离 ”是指由导向器去处理产品的实例化逻辑⽽不是⽣成器来处理。

再由各个不同的⽣成器分别实现创建产品实例所需要的各个函数，从⽽实现“ 同样的构建过程创建不同的表⽰ ”。

⽐如，在⼀个键⿏套装中包含了⼀个键盘和⼀个⿏标,不同的键⿏套装内⼜有不同品牌、型号的键盘和⿏标。

可以通过不同的组合⽅式得到⼀个完整的键⿏套装。

public interface IMouse{string GetBrand();}public class LogitechMouse : IMouse{public string GetBrand(){return "罗技-Logitech G903";}}public class RazeMouse : IMouse{public string GetBrand(){return "雷蛇-Raze 蝰蛇";}}public interface IKeyBoard{string GetBrand();}public class LogitechKeyboard : IKeyBoard{public string GetBrand(){return "罗技-Logitech G910 RGB";}}public class RazeKeyboard : IKeyBoard{public string GetBrand(){return "雷蛇-Raze 萨诺狼蛛";}}public class Kit{public IMouse Mouse { set; get; } = null;public IKeyBoard Keyboard { set; get; } = null; }public interface IKitBuilder{void BuildMouse();void BuildKeyboard();Kit GetKit();}public class LogitechKitBuilder : IKitBuilder{private Kit _kit = null;public LogitechKitBuilder(){this._kit = new Kit();}public void BuildMouse(){this._kit.Mouse = new LogitechMouse();}public void BuildKeyboard(){this._kit.Keyboard = new LogitechKeyboard(); }public Kit GetKit(){return this._kit;}}public class RazeKitBuilder : IKitBuilder{private Kit _kit = null;public RazeKitBuilder(){this._kit = new Kit();}public void BuildMouse(){this._kit.Mouse = new RazeMouse();}public void BuildKeyboard(){this._kit.Keyboard = new RazeKeyboard();}public Kit GetKit(){return this._kit;}}public class KitDirector{public Kit ConstructKit(IKitBuilder builder){if(builder == null){return null;}builder.BuildMouse();builder.BuildKeyboard();return builder.GetKit();}}class Program{static void Main(string[] args){//创建⽣成器IKitBuilder builder = new LogitechKitBuilder();//IKitBuilder builder = new RazeKitBuilder();//创建导向器KitDirector director = new KitDirector();//导向器通过注⼊的⽣成器创建产品实体Kit kit = director.ConstructKit(builder);Console.WriteLine($"当前套装内的⿏标是：{kit.Mouse.GetBrand()}");Console.WriteLine($"当前套装内的键盘是：{kit.Keyboard.GetBrand()}");Console.ReadKey();}}上述代码中，我们通过将不同的⽣成器（IKitBuilder）实体注⼊到同⼀导向器（KitDirector）来获得不同的Kit实体，从⽽达到“ 同样的构建过程创建不同的表⽰ ”的⽬的。

面向蛇形机器人的三维步态控制的层次化联结中枢模式生成器模型

第39卷第10期自动化学报Vol.39,No.10 2013年10月ACTA AUTOMATICA SINICA October,2013面向蛇形机器人的三维步态控制的层次化联结中枢模式生成器模型杨贵志1,2马书根1,3李斌1王明辉1摘要提高蛇形机器人的三维运动控制能力是提高蛇形机器人环境适应能力的关键之一.虽然联结中枢模式生成器(Connectionist central pattern generator,CCPG)模型具有复杂度小、适合硬件实现等优点,但是目前的CCPG模型难以生成相位协调的多自由度运动的控制信号,从而限制了它的三维步态控制能力.本文根据生物CPG机制的分层结构和运动神经元的功能,提出一个有层次化结构的CCPG(Hierarchical CCPG,HCCPG)模型.HCCPG模型由基本节律信号生成层、模式形成层、运动信号调整层这三个部分组成.运动信号调整层的运动神经元能够独立地对模式形成层的输出信号的幅值、相位等进行调整,从而较好地解决了CCPG模型难以生成相位协调的多自由度运动控制信号的问题.HCCPG模型具有步态控制能力强、复杂度小、有良好的扩展性等优点,从而适合用于控制三维步态.在HCCPG模型的基础上提出一个三维步态控制方法.仿真验证了这个控制方法的有效性.关键词蛇形机器人,联结中枢模式生成器模型,运动神经元,循环抑制CPG模型,三维步态引用格式杨贵志,马书根,李斌,王明辉.面向蛇形机器人的三维步态控制的层次化联结中枢模式生成器模型.自动化学报, 2013,39(10):1611−1622DOI10.3724/SP.J.1004.2013.01611A Hierarchical Connectionist Central Pattern Generator Model forControlling Three-dimensional Gaits of Snake-like RobotsYANG Gui-Zhi1,2MA Shu-Gen1,3LI Bin1WANG Ming-Hui1Abstract A key to promoting the snake-like robot s adaptability is improving its3-D locomotion ability.Although the connectionist central pattern generator models(CCPG)have merits such as low complexity,appropriate for the hardware implementation,the current CCPG models have diﬃculties in generating the phase-coordinated control signals for the multi-degrees-of-freedom motions.Consequently,the CCPG s ability to generate the3-D gaits of snake-like robots are seriously restricted.According to the layered structure of the biological CPG mechanism and the functions of the motoneuron,a hierarchical CCPG(HCCPG)model is proposed.The HCCPG is composed of three layers,namely the basic rhythm generation(RG)layer,the pattern formation(PF)layer,and the motion modulation(MM)layer.The motoneurons of the MM layer can independently modulate the amplitude and phase of the PF layer s output so it overcomes the diﬃculty faced by the current CCPG models.The HCCPG model has merits such as strong gaits adjustment ability, small complexity,and good expendability,which make it appropriate for generating the3-D gaits.Based on the HCCPG model,a3-D gait control method is proposed.Simulations have validated this gait control method.Key words Snake-like robot,connectionist central pattern generator model,motoneuron,cyclic inhibition CPG,three-dimensional gaitsCitation Yang Gui-Zhi,Ma Shu-Gen,Li Bin,Wang Ming-Hui.A hierarchical connectionist central pattern generator model for controlling three-dimensional gaits of snake-like robots.Acta Automatica Sinica,2013,39(10):1611−1622收稿日期2012-05-29录用日期2012-11-30Manuscript received May29,2012;accepted November30,2012国家自然科学基金(61075103)资助Supported by National Natural Science Foundation of China (61075103)本文责任编委谭民Recommended by Associate Editor TAN Min1.中国科学院沈阳自动化研究所机器人学国家重点实验室沈阳1100 16,中国2.中国科学院大学北京100049,中国3.立命馆大学草津525-8577,日本1.State Key Laboratory of Robotics,Shenyang Institute of Automation,Chinese Academy of Sciences,Shenyang110016, China2.University of Chinese Academy of Sciences,Beijing 100049,China3.Ritsumeikan University,Kusatsu-Shi525-8577,Japan经过长期进化,蛇具有很强的环境适应能力.为此,人们根据蛇的结构特点设计了各种蛇形机器人,期望使其具有与蛇同样强的运动能力.蛇具有强大的环境适应能力,主要是由于它具有灵活的三维运动能力.它能够根据环境状态的变化调整或者选择不同的三维运动步态,比如在沙漠中用侧向蜿蜒步态(Sidewinding)[1]、在光滑地面上用手风琴式步态(Concertina)[2]等.因此有必要在蛇形机器人上实现各种三维步态.蛇形机器人的三维步态是由符合特定规律的不同自由度的运动组合而成的,比如偏航(Yaw)、俯仰(Pitch)自由度运动的组合.比如侧1612自动化学报39卷向翻滚步态(Lateral rolling)要求偏航、俯仰运动各自的相邻关节之间的相位差为0◦,以使身体成弧形[3].蛇形机器人的步态基本上都是节律运动,而研究表明脊椎动物中存在一种称为中枢模式生成器(Central pattern generator,CPG)的神经机制控制着它们的一些节律运动[4],所以可以构造CPG模型来控制蛇形机器人的三维步态.与基于Hirose 等[5]提出的蛇形曲线(Serpenoid curve)的控制方法相比,基于CPG模型的步态控制方法具有抗扰动、模型调整时输出依然连续、适合融合传感器信息、适合实现分布式控制等优点[6].根据CPG模型的基本组成单元的类型,可以将它分为三种[6]:1)振荡器模型(Oscillator models)[7].这种模型由非线性振荡器模型组成,比如Hopf振荡器[8]、Van der Pol振荡器[9]等.这种模型的形式简单,模型参数有直接的物理意义,如模型参数直接对应输出的幅值、相位等.这种模型便于分析和控制[10].2)详细的生物物理模型(Detailed biophysical models).这种模型由能准确地体现神经元特性的神经元模型组成,比如Hodgkin-Huxley模型[11].这种模型复杂度大,不便于分析、控制,所以应用较少.3)联结模型(Connectionist models)[12].这种模型由较为简单但又能体现神经元主要特性的神经元模型组成,比如Leaky integrator神经元模型[13]、时变型神经元模型[14].联结中枢模式生成器(Connectionist CPG, CCPG)模型有助于了解CPG神经机制,同时复杂度比详细的生物物理模型低,便于对机器人进行控制.此外,相比于前面两种模型,联结模型更适合用模拟电路硬件来实现,而不是在处理器上通过软件程序来实现.Yang等[15]利用模拟电路实现了一个由时变型神经元模型组成的CCPG模型,以生成竹节虫的腿上各个关节的控制信号;Okazaki等[16]用CMOS电路来实现一个由时变型神经元模型组成的CCPG模型,用于控制一个六足机器人.与用软件实现相比较,用硬件实现CCPG具有便于实现分布式控制、功耗小、控制器体积小等优点[17−19],所以本文提出一个CCPG模型来控制蛇形机器人的三维步态.目前,CCPG模型主要用来生成二维运动步态[20−22].虽然卢振利等[23]用循环抑制CPG (Cyclic inhibition CPG,CICPG)模型来生成三维步态,但是CICPG的三维步态控制能力差,存在无法调整偏航与俯仰自由度运动之间的相位关系、调整步态时CPG的输出不连续等问题.实际上,由于CCPG模型不能像有些基于振荡器的CPG模型[24]那样直接定义、调整相位,所以难以用CCPG 模型来生成实现三维步态所需的相位协调的多自由度运动控制信号.虽然Huang等[25]提出一个反馈机制来实现CCPG之间的相位协调,但是该方法存在复杂度大(需要用两个CCPG来分别生成两自由度信号和额外的反馈机制来调整二者之间的相位)、不可靠(调整相位的同时会不可预料的改变幅值)等问题.因此需要寻找更有效的方法来解决CCPG生成相位协调的多自由度运动控制信号问题.实际上,神经生理学的研究表明生物CPG由三部分组成:1)由感知神经元组成的感知输入部分;2)由中间神经元(Interneuron,IN)组成的节律信号生成部分;3)由运动神经元(Motoneuron, MN)组成的运动信号调整部分(Motion modula-tion,MM)[26].节律信号生成部分还可以进一步分为基本节律生成器(Rhythm generator,RG)、模式生成器(Pattern formation,PF).RG生成基本的节律信号,而PF根据RG的输出激发运动神经元.这种功能结构使动物具有较高的运动能力,而CICPG模型只相当于实现了RG部分的功能.因此可以构造合适的多层的CCPG模型来提高步态控制能力.Wang等[27]用Hopﬁeld连续神经元模型[28]等构造了一个2层结构的CCPG模型来控制双足跳跃机器人的腿部运动,Noble等[29]用Hodgkin-Huxley神经元模型构造了一个有2层结构的CCPG模型来控制单自由度关节的运动.但是目前的多层CCPG模型都只能生成单自由度运动控制信号,依然没有解决生成相位协调的多自由度运动控制信号的问题,所以难以生成蛇形机器人的三维步态.实际上,生物研究表明运动神经元能够对它的输入信号的波形、相位等进行调整[30],而现有的多层CCPG模型都没有实现、利用这种特性,所以步态控制性能受到较大限制.本文根据生物CPG的研究成果,提出一个有3层结构的层次化的CCPG(Hierarchical CCPG, HCCPG)模型:1)基本节律信号生成层(RG).它由基于持续型神经元模型[14]的CICPG模型[31]组成,用于生成基本节律信号,并实现HCCPG之间的相位协调.2)模式生成层(PF).它由简化后的持续型神经元模型组成.它对RG的输出进行滤波,生成运动神经元所需的外部激励信号.3)运动信号调整层(MM).它也是由简化后的持续型神经元模型组成,用于生成三维步态所需的两自由度运动的参考控制信号,比如参考角位置控制信号.关节伺服电机的控制器根据这个参考信号和实际的角位置信号等来确定电机的最终控制信号.因为HCCPG模型以较小复杂度解决了生成相位协调的多自由度运动控制信号的问题,所以适合用于控制三维步态.因此本文以HCCPG模型为基础提出一个三维步态控制方法.仿真验证了该方法的有效性.10期杨贵志等:面向蛇形机器人的三维步态控制的层次化联结中枢模式生成器模型16131层次化联结CPG 模型基于CPG 模型的控制器来源于对脊椎动物的CPG 神经机制的研究.因此更深入地了解、更好地实现这个机制,有助于设计更好的CPG 控制器,提高机器人的运动控制能力.根据这种思想,本文提出一个HCCPG 模型以控制蛇形机器人的三维步态.1.1CPG 神经机制研究表明,CPG 作为脊椎动物控制节律运动的一种重要的神经机制,具有复杂的结构,但是根据功能的不同大体可以将CPG 分为几个主要部分.McCrea 等[26]提出了如图1所示的由Hodgkin-Huxley 神经元模型[11]组成的2层结构的CPG 模型.图中,下标E 、F 分别表示与伸肌(Extensor)、屈肌(Flexor)的控制相关;以黑色实心圆为端点的线代表抑制连接,而以黑色空心圆为端点的线代表激励连接.信号流向为从无头端到有头端.每个神经元只有1个输出,但是该输出可以同时作为多个别的神经元的外部激励或者抑制输入.RG 是由中间神经元群组成的基本的节律信号生成器,主要负责生成基本的节律信号;PF 是由中间神经元群组成的模式生成器,主要负责根据RG 的输出激发运动神经元;MM 是运动神经元群,主要负责激活肌肉效应器,从而控制肌肉的运动;IN S 是带有感知输入的中间神经元群(Interneuron with sensory input),起到辅助激活运动神经元的作用.在该模型中,RG 、PF 部分各算为1层;各个神经元群内部包含的神经元数在20∼50之间.这种分层结构能够较好的解释一些生物现象,比如感知输入对运动的作用.已经有一些列基于这个模型的CCPG 模型被提出来以控制不同的机器人[18,27,29,32].图12层CPG 模型的结构Fig.1Structure of the two-level CPG model1.2HCCPG 模型McCrea 等的模型可以提高CCPG 模型的控制能力,但是却只能输出一个自由度运动的控制信号,而蛇形机器人的三维步态的实现需要有相位协调的两自由度运动控制信号.如果用2个CCPG 来分别生成这两个信号,则因为CCPG 模型不能像基于振荡器模型的CPG 模型那样直接定义、调整输出信号的相位,所以难以实现两个信号的相位协调.虽然Huang 等[25]提出了一个复杂机制来实现相位协调,但是调整相位的同时可能会不可预料地改变幅值,所以应用受到限制.实际上,由于大部分情况下这两个信号的周期一致,只是幅值、相位不同,而生物研究[30]表明运动神经元能够对它的外部激励输入信号的波形、相位等进行调整,所以本文据此提出一个HCCPG 模型来控制蛇形机器人的三维步态,如图2所示.HCCPG 的两个运动神经元分别生成所需的2个信号.图2HCCPG 模型的结构Fig.2Structure of the HCCPG modelHCCPG 主要分为3层:1)RG 层,即图中的中间神经元I 1、I 2、I 3组成的部分.由于RG 只需生成有期望周期的信号,而对其幅值等没有要求,所以为了减小HCCPG 模型的整体复杂度,本文将由3个持续型神经元模型组成的CICPG 模型[23]作为RG.Lu 等[31]证明CICPG 模型在由持续型或者时变型神经元模型通过抑制连接构成的可产生节律输出的CCPG 模型中是复杂度最小的(微分方程数最少).式(1)是单个持续型神经元模型.其中,τ是膜电势的时间常量;u 、y 分别是神经元的膜电势、输出;s 、w 是神经元的外部1614自动化学报39卷输入及其连接系数.τ·˙u=−u+w·sy=max(0,u)(1)2)PF层,即图中的中间神经元I4组成的部分.本文的PF主要是对RG的输出进行过滤(低通滤波),为MM层的运动神经元提供共同的外部激励输入.由于持续型神经元模型的输出有阈值限制,即输出只取非负值,所以为了实现过滤功能、同时也降低模型复杂度,本文对持续型神经元模型进行了简化,即不再对输出进行阈值限制.简化后的模型如式(2)所示.其中,u、y分别是神经元的膜电势、输出;k 是相位调整系数;s、g是神经元的外部输入及其幅值调整系数.将简化后的模型作为I4的模型.˙u=−k·u+g·sy=u(2)3)MM层,即图中的运动神经元M1、M2组成的部分.M1、M2能够独立地对I4的输出进行调整.M1、M2的输出分别作为生成三维步态所需的两个自由度运动的控制信号.为了降低模型复杂度, M1、M2也都采用式(2)所示的模型.假设蛇形机器人有n个关节,并且每个关节有两个运动自由度,即偏航、俯仰自由度.每个关节都由一个HCCPG来控制.HCCPG之间只通过它们的RG部分的连接来实现各个关节运动的协调.Wu 等[33]的研究表明通过引入如图3所示的局部闭环连接结构,即将第q个RG(RG q(q=1,···,n))的各个神经元的输出回馈给第一个RG(RG1)的对应神经元,可以改善RG的输出,比如使得各个RG的输出的幅值更一致等.为此,本文也采用这种闭环结构,从而得到如图4所示的各个HCCPG的RG之间的连接拓扑结构.为了更好地说明这种闭环结构,图中在RG1前面多画了一个RG q,以表示RG1有来自RG q的回馈连接,但是实际上这个RG q与图中的另一个RG q指的是同一个RG,而非两个不同的RG.综上所述,得到第i个HCCPG的模型,如式(3)所示.图3连接RG的局部闭环拓扑结构Fig.3The local closed-loop structureused to connect RGss图4采用局部闭环结构时,RG的各个神经元间的连接形式Fig.4The connections among the RGs neurons when the local closed-loop structure is adoptedτ·˙u i,j=−u i,j−w·y i,k+w o·y s,j+S i˙u P Fi=−k P Fi·u P Fi+g P Fi·y i˙u MNi,r=−k MNi,r·u MNi,r+g MNi,r·y P Fi y i,j=max(0,u i,j)y i=y i,m−y i,1y P Fi=u P Fiy MNi,r=u MNi,ri=1,···,n;j=1,···,m;r=1,2s=q,若i=1i−1,否则k=m,若j=1j−1,否则(3)其中,n是HCCPG的总节数、机器人的总关节数; m是1个RG内部包含的中间神经元总数.在本文中m=3;s,q是RG的序号,q表示RG q的输出回馈给RG1,s,q=1,···,n;j,k是神经元在RG内部的序号;u i,j,y i,j分别是第j个神经元的膜电势、输出;y i是R i的输出;τ是膜电势的时间常量;w是RG内部各个神经元之间的连接系数;w o是不同的RG的神经元之间的连接系数;S i是神经元的外部激励输入.令S i=S(i=1,···,n);r(r=1,2)是运动神经元的序号;u P Fi,u MNi,1,u MNi,2分别是I4, M1,M2的膜电势;y P Fi,y MNi,1,y MNi,2分别是I4, M1,M2的输出;k P Fi,k MNi,1,k MNi,2分别是I4,M1, M2的相位调节系数.令k P Fi=k P F,k MNi,1=k y, k MNi,2=k p(i=1,···,n);g P Fi,g MNi,1,g MNi,2分别是I4,M1,M2的幅值调节系数.令g P Fi=g P F, g MNi,1=g y,g MNi,2=g p(i=1,···,n).综上所述,蛇形机器人的基于HCCPG模型的完整控制系统如图5所示.图5将图4中的RG1前面的虚拟RG q省略.图中底部的粗线圆圈(Y i)、方块(P i)分别表示第i个关节的偏航、俯仰自由度.运动神经元的输出作为对应自由度运动的参考角位置控制信号.10期杨贵志等:面向蛇形机器人的三维步态控制的层次化联结中枢模式生成器模型1615图5蛇形机器人的控制系统Fig.5Snake-like robot s control system2HCCPG 模型的参数特性为了更好地用HCCPG 模型进行控制,需要对它的参数的特性进行分析.由于HCCPG 模型由RG 、PF 、MM 三部分组成,而PF 、MM 都是基于简化后的持续型神经元模型,所以以下分别介绍RG 及简化后的持续型神经元模型的参数特性.2.1RG 的参数特性由于RG 的作用主要是生成有期望周期的基本节律信号、实现HCCPG 之间的相位协调,而对幅值等没有要求,所以通过仿真确定了RG 的一组基本参数,即τ=0.8218,w =2.4,w o =0.05,S =1,q =6.此时,RG 输出信号的周期为3s 、幅值为0.7322.以后如无特别说明,保持RG 的参数不变.φ=2·πq(4)图6给出了开环结构时各个RG 的输出,即没有RG 的输出回馈给RG 1,RG 之间从头到尾呈单向串联结构时的输出.图7给出了有闭环结构,并且图6用开环结构时RG 的输出Fig.6The RG s outputs with open-loopstructure图7用闭环结构并且q =6时,RG 的输出Fig.7The RG s outputs with closed-loopstructure and q =6q =6时的结果.比较这两个结果可以发现有闭环结构时,各个RG 的输出的幅值更加一致、而且相邻RG 的输出之间的相位差(φ)一致.由图6可知此时的φ=π/3.由不同q 的结果可以发现当q =1,4,5,6,7时,φ与q 存在如式(4)所示的关系.当q =1,3时,φ=0.此外,改变q 不会对RG 的输出的幅值、周期有显著影响.因此可以通过改变闭环内的RG 的数量来改变φ,但是这种改变只限于有限几种情形,从而限制了它的应用范围.图8给出了RG 的参数(τ、S )与其输出的周期(T )、幅值(α)之间的关系.可见,T 、α可以分别由τ、S 来线性调整.此时,τ与T 的关系如式(5)所示.T =3.650694·τ−0.00012(5)2.2简化后的持续型神经元模型的参数特性由于RG 的输出近似正弦函数形式,所以假设在初始条件(t 0,y 0)下,给式(2)所示的简化后的持续型神经元模型施加如式(6)所示的正弦函数形式输入f (t ).f (t )=α0·sin(ω·t +β)(6)其中,α0、ω、β分别是幅值、角频率、初始相位.可以求得式(2)的解为式(7):y (t )=∆y (t )+h (t )(7)∆y (t )=∆y 0·e −k ·∆t =(y 0−h (t 0))·e −k ·∆t (8)h (t )=α·sin(ω·t +β+∆p )=α ·f (t +∆pω)(9)α=g ·α0√k 2+ω2(10)α =αα0=g √k 2+ω2(11)1616自动化学报39卷(a)τ对T、α的影响(a)τseﬀectonT andα(b)S对T、α的影响(b)S s eﬀect on T andα图8τ、S对RG输出的周期(T)、幅值(α)的影响Fig.8τand S s eﬀect on RGs s outputsperiod(T)and amplitude(α)∆p=arctankω−π2(12)其中,∆t是时间长度,∆t=t−t0;∆y0、∆y、h(t)分别是初始跟踪误差、瞬态跟踪误差、稳态解;α、α分别是h(t)的幅值、h(t)相对于f(t)的幅值调整量;∆p是h(t)相对于f(t)的相位调整量.由式(9)可知,简化后的持续型神经元模型可以对其外部输入信号的幅值、相位进行调整.因此,HCCPG模型的MM层中的M1、M2可以对PF层的I4的输出的幅值、相位进行独立调整,从而生成实现蛇形机器人的三维步态所需的两自由度运动的控制信号.此时不需要引入额外的复杂机制[25]就能够对这两个控制信号之间的相位关系进行调整.需要指出的是,虽然这里假设RG的输出为正弦信号,以此得到神经元模型的特性,但是实际模型中,PF层的外部激励输入信号仍然是RG的输出,而不是正弦函数.由式(8)可知,如果k很小,则指数衰减会很慢.当k=0时,最终解可能有恒定误差∆y0.而当k很大时,衰减会很快,导致参数切换时发生跳变现象,从而损坏电机.假设k的范围为k∈[k L,k U],则由式(12)可以得到此时的如式(13)所示的相位调整范围∆p∈[∆p L,∆p U].本文取[k L,k U]=[0.2,20]以避免衰减过快或者过慢.∆p L=arctank Lω−π2∆p U=arctank Uω−π2(13)综上所述,根据生物CPG机制提出的HCCPG模型具有如下优点:1)因为RG层的输出具有近似正弦函数的特点,从而可以得到运动神经元的模型参数与其外部激励输入信号的调整量之间的近似解析关系.这为提出一个复杂度小的步态控制方法提供了可能.2)因为不需要用两个CPG协同来生成三维步态所需的两个自由度运动控制信号,所以系统模型的维数小.另外又由于两个控制信号之间的相位关系的协调不需要借助额外的复杂机制,所以也使得模型复杂度较小.3)由于是通过模型参数来调整输出,而不是像卢振利等[23]那样直接对输出进行调整,所以可以保证模型调整时的输出连续性.4)由于一个运动神经元就对应一个自由度运动的控制信号,所以当关节的自由度数增多时,可以通过增加相应数量的运动神经元的方法来实现控制.比如有的机器人的关节有3个运动自由度[34],此时只需用3个运动神经元即能同时控制这3个自由度,而不是用3个CPG来分别控制.因此,HCCPG模型有良好的扩展性.因此HCCPG模型适合用于控制蛇形机器人的三维步态.3三维步态控制方法根据前面的分析可知,HCCPG模型能够生成多自由度运动的参考角位置控制信号,但是三维步态需要的是符合特定规律的控制信号,即对各个自由度控制信号的幅值、及其之间的相位关系等有特定的要求.因此本文以HCCPG模型为基础提出一个蛇形机器人的三维步态控制方法,即由期望的三维步态求对应的HCCPG模型参数的方法.因为三维步态是由偏航、俯仰自由度运动组合而成的,所以本文的步态控制方法主要是将期望的三维步态分解为偏航、俯仰自由度各自的期望运动,进而求出模型的各个参数.根据求得的参数,偏航、俯仰运动神经元生成各自自由度的运动.这两个运动就组合形成了期望的三维步态.因此,下面首先提出单自由度运动的控制方法,然后再以此提出三维步态的整体控制方法.3.1单自由度运动的控制方法由式(9)、(10)、(12)可知:可以通过调整运动神经元的参数(k、g)来调整f(t)的相位、幅值.单10期杨贵志等:面向蛇形机器人的三维步态控制的层次化联结中枢模式生成器模型1617自由度运动的控制方法就是由期望的相位调整量(∆p ∗)、幅值(α∗)求k 、g 的方法.给定f (t )的参数ω、α0,则单自由度运动控制方法为:首先根据式(12),由ω、∆p ∗求得k ;然后根据式(10),由k 、α∗求得g .式(14)和式(15)分别给出了k 、g 的解.k =−ω·cot(∆p ∗)(14)g =α∗α0·√k 2+ω2(15)3.2三维步态的整体控制方法三维步态的整体控制方法就是由期望的三维步态求HCCPG 模型的参数的方法.期望的三维步态的参数包括:相邻关节的控制信号之间的相位差(φ∗),运动周期(T ∗),一个关节内的偏航与俯仰自由度运动之间的相位差(∆p ∗yp ),以及偏航、俯仰运动的幅值(α∗y 、α∗p ).需要根据这些参数求HCCPG 模型的各个参数.根据RG 、PF 、MM 层各自的功能与特性,模型参数的求解方法如下.3.2.1∗∗φ、T RG 的作用是生成指定周期的基本节律信号,并实现相邻关节的运动之间的相位协调,而对其幅值等无要求.因此根据式(4),由φ∗确定RG 的参数q .根据式(5),由T ∗确定RG 的参数τ.RG 的其他参数(w 、w 0、S )则设置为固定值.因为PF 的作用只是对RG 的输出进行滤波,而不需要对其幅值等进行调整,所以本文将它的参数设置为k PF =c k ·ω∗、g PF =c g ·ω∗.其中,c k 、c g为任意正常数;ω∗(=2·π/T ∗)是期望步态的运动角频率.根据式(10)可知此时PF 的输出的幅值与RG 的输出的幅值成固定比例.因为本文只调整RG 的输出周期,而不调整其幅值,即它的幅值固定,所以PF 输出的幅值也固定.测量到的RG 、PF 输出的实际幅值分别为αRG 、αPF .但是PF 的参数随着期望步态的周期的变化而变化,而不是固定值.3.2.2∆p ∗yp 、α∗y 、α∗p 偏航、俯仰运动神经元能够对PF 的输出的幅值、相位进行独立调整.它们的输出分别作为偏航、俯仰自由度运动的控制信号.它们的相位调整范围为∆p y 、∆p p ∈[∆p L ,∆p U ],则两信号之间的相位差(∆p yp =∆p p −∆p y )的调整范围为∆p yp ∈[∆p L −∆p U ,∆p U −∆p L ].因为最终控制的是两自由度运动之间的期望相位差∆p ∗yp ,所以需要由∆p ∗yp 求得两信号各自的期望相位调整量∆p ∗y 、∆p ∗p .它们应该满足式(16)所示关系:∆p ∗y ∈(∆p L −∆p ∗yp ,∆p U −∆p ∗yp )∩(∆p L ,∆p U )∆p ∗p ∈(∆p L +∆p ∗yp ,∆p U +∆p ∗yp)∩(∆p L ,∆p U )(16)当∆p ∗yp >0时,式(16)变为式(17):∆p ∗y ∈(∆p L ,∆p U −∆p ∗yp )∆p ∗p ∈(∆p L +∆p ∗yp,∆p U )(17)此时,∆p ∗y 和∆p ∗p 各自的可行域的中值为∆p ∗ym =∆p L +∆p U −∆p ∗yp 2∆p ∗pm=∆p L +∆p U +∆p ∗yp 2(18)当∆p ∗yp ≤0时,则式(16)变为式(19):∆p ∗y ∈(∆p L −∆p ∗yp ,∆p U )∆p ∗p ∈(∆p L ,∆p U +∆p ∗yp)(19)此时,∆p ∗y 和∆p ∗p 的可行域的中值同为式(18).综上所述,如果∆p ∗y 、∆p ∗p 分别取各自的中值,即∆p ∗ym 、∆p ∗pm ,则结果对∆p ∗yp >0和∆p ∗yp ≤0的情形都成立,并且可以尽量避免取边界值(取边界值则过渡过程会过快或过慢).根据式(14)和式(15),即可由ω∗、αPF 、(∆p ∗y ,α∗y )、(∆p ∗p ,α∗p )分别求得偏航、俯仰运动神经元的参数(k y ,g y )、(k p ,g p ).综合前面的分析,三维步态控制方法的流程图,如图9所示.图9三维步态控制方法的流程图Fig.9Flow chart of the 3-D gait control method4仿真为了验证提出的三维步态控制方法的有效性,本文利用开源的动力学仿真引擎(Open dynamic。

生成器模式（Builder）解析例子

⽣成器模式（Builder）解析例⼦原创作品，允许转载，转载时请务必以超链接形式标明⽂章、作者信息和本声明。

否则将追究法律责任。

⽣成器模式属于对象结构型模式，其意图是将⼀个复杂对象的构建与他的表⽰分离，使得同样的构建创建过程可以创建不同的表⽰。

适⽤性：1.当创建复杂对象的算法应该独⽴于该对象的组成部分以及他们的装配⽅式时2.当构造过程必须允许被构造的对象有不同的表⽰时。

参与者:⽣成器Builder:为创建⼀个Product对象的各个部件指定抽象接⼝(AnimalBuilder)。

具体⽣成器ConcreteBuilder:实现Builder接⼝⼀构造和装配该产品的各个部件。

定义并明确他所创建的表⽰，提供⼀个检索产品的接⼝(getAnimal)。

导向器：构建⼀个适⽤Builder对象的接⼝。

Product（Checken,pig）:表⽰被构造的复杂对象。

ConcreteBuilder创建该产品的内部表⽰并定义它的装配过程，包含定义组成部件的类，包括将这些部件装配成最终的产品。

650) this.width=650;">图1当客户需要⼀个产品时，把需要的参数传递个导向器，导向器根据传递的参数调⽤具体的⽣成器，具体的⽣成器通过⼀系列的操作(getAnimal()通过调⽤其它的接⼝⽅法实现)最会返回⼀个产品。

Bridge模式的优点：1.它使你可以改变⼀个产品的内部表⽰，Builder对象提供给导向器⼀个构造产品的抽象接⼝，该接⼝使得⽣成器可以隐藏这个产品的表⽰和内部结构，他同时也隐藏了该产品是如何装配的，因为产品时通过抽象接⼝构造的(注：本例⼦把接⼝的实现放在具体类中了)，你在改变该产品的内部表⽰时所要做的只是定义⼀个新的⽣成器。

2.他将构造代码和表⽰代码分开，这有点类似于模板模式。

所不同的是模版模式最终是完成复杂的⼯作，⽽⽣成器的⽬的是要⽣成⼀个复杂的对象。

3.他使得你对构造过程进⾏更加精细的控制。

介绍使用代码自动化生成和生成器模式的好处

介绍使用代码自动化生成和生成器模式的好处代码自动化生成（Code Generation）是指使用程序自动生成代码的技术。

而生成器模式（Builder Pattern）是一种创建型设计模式，用于将复杂对象的构建与表示分离。

本文将分别介绍代码自动化生成和生成器模式，并探讨它们的好处。

一、代码自动化生成的好处1.提高工作效率：代码自动生成可以大大提高开发工作的效率，尤其对于重复的、类似的代码。

开发人员只需要定义好相应的模板和规则，然后使用生成工具即可生成大量代码。

这样一来，可以更快地完成开发任务，节省时间和精力。

2.减少错误和bug：手工编写代码时往往容易出现错误，尤其是在重复编写相似的代码片段时。

而代码自动生成可以根据规则自动生成代码，减少了人为的错误。

生成的代码经过测试和验证，质量更高，对于减少错误和bug非常有帮助。

3.统一和规范：代码自动生成可以根据预定义的规范和模板生成代码，使得代码风格、代码结构等方面保持一致和规范化。

这样可以提高代码的可读性和可维护性，方便团队的协作开发。

4.更好的重构支持：代码自动生成使得重构更加容易和安全。

当需要对代码进行重构时，只需修改生成模板或规则，再重新生成代码即可，而不必手动修改大量重复的代码。

这样不仅减少了重构的工作量，还能避免遗漏和错误。

5.提高系统可扩展性：代码自动生成可以根据需求生成不同的代码片段，使得系统更具可扩展性。

例如，可以根据配置或模板生成适应不同数据库的代码，或者生成不同平台的相关代码。

这样使得系统更易于扩展和移植。

6.可以自定义和扩展：代码自动生成通常支持自定义模板和规则，可以根据具体需求进行适度扩展和定制。

开发人员可以根据自己的编码习惯和团队的需求，定义自己的代码生成模板和规则，让生成器更符合实际开发要求。

二、生成器模式的好处1.封装复杂对象的构建过程：生成器模式将复杂对象的构建过程封装在一个实现了Builder接口的类中，客户端只需调用该类的一些简单接口，而无需关心具体的构建细节。

DG2000系列数字模式生成器说明书

The DG2000 Series of digital pattern generators provide digital designers with the high performance toolsneeded to evaluate advanced digital semiconductors and logic circuits. Whatever you call your design process –characterization, debug,validation, or verification –as a digital designer you must have state-of-the-art digital pattern generation as you push the edge of thetechnology envelope and race to market.Choose the Best FitThe DG2000 Series is remark-able for the balancedapproach to providing the appropriate class of instru-ment for a wide variety of digital design applications.Performance ranges from 1.1Gbits per second to 200 Mbits per second and from 2 to 36channels. The table illus-trates the principal specifica-tions for members of the DG2000 Series.Critical TimingThe DG2000 Series is the ideal solution for applica-tions where you must charac-terize device or circuit timing and amplitude margins. The DG2000 Series is perfect for simulating setup and hold violations or conditions of metastability. The DG2000graphical user interfaceallows you to quickly create complex data patterns with a few keystrokes on the front panel. Use the advanced sequence editing capability of the DG2000 Series to insert infrequent faults or glitches in your data patterns to verify device or circuit recovery.The DG2000 Series is aninvaluable tool, allowing you to simulate missing system functionality while meeting critical market windows.With the introduction of the DG2040, new capabilities are available to control clock and data jitter or modulate pulse edges on a selective basis.Copyright © 1999 Tektronix, Inc. All rights reserved.DG2000 SeriesData Pattern GeneratorData Rate to 1.1 Gbps Tests High-speed Logic Devices and Circuits Data Pattern Depth to 256 K/channel Speeds CharacterizationMultiple Output Channels Increases Flexibility DG2040: 2DG2030: 4 or 8DG2020A: 12, 24, or 36Control of Edge Timing (DG2040)Permits Jitter Simulation in Serial Data StreamsPrecise Control of Output Parameters Include:Variable Output Delay Variable Output LevelVariable Rise and Fall Time Con-trol (DG2030)Tri-state output control (DG2020A, DG2030)Large Display for Easy-to-Use Data EditingCreate Complex Data Patterns with Sophisticated Sequence, Looping,Jump on Event, & Tri-state Output ControlCharacterize & Verify ASIC, FPGA, &DACsEvaluate Media Storage Devices and Components (HDD, FDD, ODD, DVD)Test Printer Engines or LCD Display DriversConstruct Logic Verification Systems Utilizing Tektronix Oscilloscopes or Logic Scopes Use in-conjunction with TLA Logic Analyzer to Provide Digital StimulusOUTPUT DATA Data Rate –DG2040: 0.1 bps to 1100 Mbits/s.DG2030: 0.1 bps to 409.6 Mbits/s.DG2020A: 0.1 bps to 200 Mbits/s.Clock Period Jitter –DG2040: <30ps p-p at 1100MHz. Typical.DG2030: <50ps p-p at 200MHz. Typical.DG2020A: <50ps p-p at 200MHz. Typical.Data Depth –DG2040: 360 to 256 Kbits (1 increment).DG2030: 90 to 256 Kbits (1 increment).DG2020A: 64 to 64 Kbits (1 increment).Data Width –DG2040: 2 bits (complementary outputs)via front-panel SMA connectors.DG2030:Standard: 4 bits via front-panel BNC connectors.Optional: 8 bits via 4 front-panel, 4 rear-panel BNC connectors.DG2020A:Standard: 12 bits.Optional: 24 or 36 bits.SEQUENCERMaximum Number of Blocks –256.Maximum Number of Sequence Steps –DG2040: 4000.DG2030: 4000.DG2020A: 2048.Block Repeats Per Line –1 to 65536 or infinite.DATA AND CLOCK OUTPUT (DG2040)Data –Output:Standard: Ch 0 & Ch 1 at front-panel SMA and Clock at rear panel SMA connectors.V OH :–0.875V to +3.5V into 50Ω.V OL :–1.125V to +3.25V into 50Ω.Rise/Fall Time (20 to 80%): <150ps at 1V p-p and 10MHz.Delay Function:Delay channel: Ch 0 or Ch 1.Delay time:–1ns to +2ns.Delay resolution: 10ps.DATA AND CLOCK OUTPUT (DG2030)Data –Output:Standard: Ch 0 to Ch 3 and Clock at front-panel BNC connectors.Optional: Ch 4 to Ch 7 at rear-panel BNC connectors.V OH :–1.25V to +3.5V into 50Ω.V OL :–1.50V to +3.25V into 50Ω.Rise/Fall Time (20 to 80%):Variable at amplitude range from 2V p-p to 5V p-p .Variable Range: 2.1ns to 4.7ns at 3.00V p-p –depends on amplitude setting.Value in Fast: 0.25V p-p to 1V p-p ; 500ps.1.7ns at 3.00V p-p .Delay Function:Delay channel: Ch 0 to Ch 7.Delay time:–5ns to 18ns.Delay resolution: 20ps.Clock –Amplitude: ±5% of setting ±50mV at 1MHz clock.Rise/Fall Time (20 to 80%):Variable at amplitude range is 2V p-p to 5V p-p .Value in Fast: 0.25V p-p to 1V p-p ; 500ps.1.7ns at 3.00V p-p .Accuracy: ±10% of setting ±500ps.AUXILIARY INPUTSClock –Frequency:DG2040: 10MHz ±0.1MHz DG2030: DC to 409.6MHz.DG2020A: DC to 200MHz.Trigger –Front-panel BNC connector.Level:–5.0V to +5.0V.Resolution: 0.1V.Polarity: Positive or negative.Hold Off:DG2040: 100ns minimum.DG2030: 100ns minimum.DG2020A: 500ns minimum.Event (DG2040 & DG2030 only)–Rear-panel BNC connector.Threshold Level:–5.0V to +5.0V.Resolution: 0.1V.Polarity: Positive edge.Minimum Pulse Width: 100ns.Inhibit (DG2030 only)–Rear-panel BNC connector.Mode:Off: Always enabled.Internal: Controlled by Ch 0 signal.External: Controlled by inhibit input signal.Both: Controlled by Ch 0 or inhibit input signal.Threshold Level:–5.0V to +5.0V into 1 k Ω.Resolution: 0.1V.AUXILIARY OUTPUTSSYNC –DG2040: Rear-panel BNC connector.DG2030: Rear-panel BNC connector.DG2020A: Front-panel BNC connector.Level:V OH , 2.5V into 50Ω;V OL , 0V into 50Ω.EVENT –DG2040: Rear-panel BNC connector.DG2030: Rear-panel BNC connector.DG2020A: Front-panel BNC connector.Level:DG2040:V hi , 2.5V into 50Ω;V lo , 0V into 50Ω.DG2030:V oh , 2.5V into 50Ω;V ol , 0V into 50Ω.DG2020A: Positive TTL pulse, 50Ω.CLOCK –(DG2020A only)Rear-panel SMB connector.Level: 1V (typical) into 50Ω.PROGRAMMABLE INTERFACEGPIB: ANSI/IEEE488.2-1987.RS-232C: 19.2 kbps, D-sub 9-Pin connector.page 2DG2000 Series CharacteristicsP3410 TTLData Output PodCharacteristicspage 3DATA OUTPUT Channels –12.Connector –26-Pin header.V OH –>4.4V into 1 M Ω.V OL –>0.1V into 1 M Ω.Rise/Fall Time –<5ns into 1 M Ω, 10 pF (20% to 80%).DELAYED CHANNELSDelay Channel –CH 8, CH 9, CH 10, CH 11.Delay Time –0 to 20ns.Delay Resolution –0.1ns.EVENT INPUTThreshold Level –TTL.Delay to Data Output –≤50ns + 50clocks.Set-up Time to Next Block –47 to 54clocks.INHIBIT INPUTLevel –TTL, 1 k Ω.Delay to Data Output –18ns.Internal Inhibit Delay –5ns.PHYSICAL CHARACTERISTICSDimensions mm in.Height*1512Width 150 5.9Depth 1014Weight kg 0.51.1*1Including feet.P3420Variable Data Output PodCharacteristicsDATA OUTPUT Channels –12Connector –SMB.V OH –-2.0V to +7.0V into 1 M Ω.V OL –-3.0V to +6.0V into 1 M Ω.Resolution –0.1V.Maximum Swing –9.0V p-p .Minimum Swing –0.5V p-p .Output Current –Total Output Current: <500mA.Sink: <-30mA/ch.Source: >+30mA/ch.Rise/Fall Time –<5ns into 1 M Ω, 10 pF,5V p-p swing.DELAYED CHANNELSDelay Channel –CH 8, CH 9, CH 10, CH 11.Delay Time –0 to 20ns.Delay Resolution –0.1ns.EVENT INPUTThreshold Level –-5.0V to +5.0V.Resolution –0.1V.Delay to Data Output –≤45ns + 50 clock.Set-up Time to Next Block –47 to 54clocks.INHIBIT INPUTThreshold Level –-5.0V to +5.0V, 1 k Ω.Resolution –0.1V.Delay to Data Output –16ns.Internal Inhibit Delay –-2ns.PHYSICAL CHARACTERISTICSDimensions mm in.Height*1512Width 25510Depth 161 6.3Weight kg 12.2*1Including feet.DG2000 Series GeneralCharacteristics CERTIFICATION AND COMPLIANCEEC Declaration of Conformity –Meets intent of Directive 89/336/EEC for electro-magnetic compatibility.Safety –Designed to meet UL 1244 andCSA 22.2 No. 231 (M-89).PHYSICAL CHARACTERISTICSDG2000 Series Main Frame Dimensionsmmin.Height*1164 6.4Width*236214.3Depth*34918.25*1Including feet.*2Including handle.*3Including front cover. 576 mm (22.2 inches) with handle extended.Weight kg 9.721.4WARRANTYOne year parts and labor.Characteristics shown are typical. Please refer to individual product user manuals for complete specifications.DG2000 Series OrderingInformation DG2020A Data GeneratorIncludes: User Manual (071-0053-00), Pro-grammer Manual (071-0054-00), 3.5-in.Performance Check Disk (063-2198-00),GPIB Sample Program (063-2919-00), DG-Link Application Software (063-2920-01),Pod Connection Cable (174-3548-00),Power Cord 125V/6 A (161-0230-01), ISO-qualified Inspection Passed Certificate.Order P3410 or P3420 Pod separately.DG2020A OptionsOption 01– Adds a 12-bit digital port for a total of 24 output channels. Includes pod connection cables (174-3458-00). Order P3410 or P3420 pod separately.Option 02– Adds two 12-bit digital ports for a total of 36 output channels. Includes two pod connection cables (174-3458-00).Order P3410 or P3420 pod separately.Option 1R – Rack mount. Floppy drive moved to front panel.Option A1– 220V, EURO plug power cord,product set to 50Hz.Option A2– 240V, UK plug power cord,product set to 50Hz.Option A3– 240V, AUST plug power cord,product set to 50Hz.Option A4– 240V, N. America plug power cord, product set to 60Hz.Option A5– 220V, SWISS plug power cord, product set to 50Hz.Option C3– Three year calibration service.Option D1– Calibration Data Report.Option D3– Calibration Data Report.Requires option C3.Option R3– Repair Warranty; Extended to three years.P3410 TTL-level Pod with 12 Output ChannelsIncludes: Pin Header-to-Pin Header Output Cable Set (012-1502-00) for 12 Output Channels, ISO Qualified Inspection Passed Certificate.P3420Variable-level Pod with 12 Output ChannelsIncludes: SMB-to-Pin Header Output Cable Set (012-1504-00) for 12 output channels,ISO Qualified Inspection Passed Certificate.P3410 and P3420 OptionsOption D1- Calibration Data Report.Option R3- Repair Warranty; Extended to three years.Option R5- Repair Warranty; Extended to five years.DG2030 Data GeneratorIncludes: User Manual (071-0059-01), Pro-grammer Manual (071-0057-01), 3.5-in.Performance Check Disk (063-2922-00),GPIB Sample Program Disk (063-2921-01),DG-Link Application Software (063-2920-01), Power Cord 125V/6 A (161-0230-01),ISO Qualified Inspection Passed Certificate.DG2030 OptionsOption 01– Eight-channel output. Adds four-channel output from rear panel.Option 1R – Rack mount. Floppy Drive access moved to front panel.Option A1– 220V, EURO plug power cord,product set to 50Hz.Option A2– 240V, UK plug power cord,product set to 50Hz.Option A3– 240V, AUST plug power cord,product set to 50Hz.Option A4– 240V, N. America plug power cord, product set to 60Hz.Option A5– 220V, SWISS plug power cord, product set to 50Hz.Option C3– Three year calibration service.Option D1– Calibration Data Report.Option D3– Calibration Data Report.Requires option C3.Option R3– Repair Warranty; Extended to three years.DG2040 Data GeneratorIncludes: User Manual (071-0257-00), Pro-grammer Manual (071-0258-00), 3.5-in.Performance Check Disk (063-3121-00),GPIB Sample Program Disk (063-3122-00),DG-Link Application Software (063-2920-01), Power Cord 125V/6 A (161-0230-01),ISO Qualified Inspection Passed Certificate.DG2040 OptionsOption 1R – Rack mount. Floppy Drive access moved to front panel.Option A1– 220V, EURO plug power cord,product set to 50Hz.Option A2– 240V, UK plug power cord,product set to 50Hz.Option A3– 240V, AUST plug power cord,product set to 50Hz.Option A4– 240V, N. America plug power cord, product set to 60Hz.Option A5– 220V, SWISS plug power cord, product set to 50Hz.Option C3– Three year calibration service.Option D1– Calibration Data Report.Option D3– Calibration Data Report.Requires option C3.Option R3– Repair Warranty; Extended to three years.DG2020A/DG2030/DG2040 Optional AccessoriesDG2020A Service Manual – 071-0055-00.DG2030 Service Manual – 071-0058-01.DG2040 Service Manual – 071-0259-00.1/99 HB/XBS76W-10799-2Copyright © 1998, Tektronix, Inc. All rights reserved. Tektronix products are covered by U.S. and foreign patents, issued and pending. Information in this publication supersedes that in all previously published material. Specification and price change privileges reserved. TEKTRONIX and TEK are registeredtrademarks of Tektronix, Inc. All other trade names referenced are the service marks, trademarks or registered trademarks of their respective companies.。

介绍使用代码自动化生成和生成器模式的好处

介绍使用代码自动化生成和生成器模式的好处自动化生成和生成器模式是软件开发中常用的两种方法，它们能够帮助程序员更高效地编写代码并提高代码的可维护性。

本文将从两种方法的介绍、优势和实际应用等方面来详细探讨它们的好处。

一、自动化生成的介绍自动化生成是指利用代码生成工具或脚本来自动生成代码。

这些工具能够根据预先定义的模板和规则来生成代码，从而提高开发效率并减少出错的可能性。

自动化生成通常用于一些重复性高、模式固定的代码生成，比如数据库表的CRUD操作代码、接口的调用代码等。

自动化生成的优势：1.提高开发效率：通过自动化生成，开发人员可以节省大量的时间，不用再手动编写重复的代码，只需定义好模板和规则，就可以快速生成所需的代码。

2.减少错误：手动编写重复的代码容易出错，而自动化生成可以保证代码的一致性和正确性，减少了出错的可能性。

3.简化维护：当需求变更时，只需修改生成模板和规则，就可以重新生成符合新需求的代码，大大简化了代码的维护工作。

4.降低成本：自动化生成可以减少开发人员的工作量，从而降低了开发成本。

自动化生成的实际应用：自动化生成广泛应用于软件开发中的各个领域，比如Web开发、移动应用开发、后台开发等。

在Web开发领域，常见的自动化生成工具有MyBatis、Hibernate等ORM框架，它们能够根据数据库表自动生成实体类和DAO层代码。

在移动应用开发领域，常见的自动化生成工具有Xcode、Android Studio等，它们能够根据界面设计自动生成布局代码和控制器代码。

二、生成器模式的介绍生成器模式是一种设计模式，它将一个复杂对象的构建与它的表示分离，使得同样的构建过程可以创建不同的表示。

生成器模式通常用于创建一些复杂对象，比如包含多个部分的对象，通过分步骤构建对象，从而使得构建过程更加灵活，易于扩展。

生成器模式的优势：1.分离构建与表示：生成器模式通过分离构建过程和表示过程，使得构建过程更加灵活，易于扩展。

测试思路系列：测试领域完整知识体系总结

测试思路系列：测试领域完整知识体系总结最近在极客时间学习了茹炳晟2018年出的课程——《软件测试52讲》，总结了测试知识的⽅⽅⾯⾯。

我想知道最完整的测试知识体系是什么样，就写了⼀个⼩web项⽬，练习各种主流的测试技术，试着整理，搞完后发现深度不够，知识点太散，所以没有实质提升。

学习课程后深感佩服，现在以茹炳晟的课程体系为框架，再以⼀个项⽬⽣命周期为脉络，总结⼀份最全的测试知识体系。

课程是2018年的，现在出了很多新技术，我会补充上。

零前⾔⼤部分公司⽤的还是瀑布流模式： 1、项⽬⽴项、需求调研； 2、定技术架构、写各种⽂档； 3、开发（单元测试介⼊、编写测试脚本）； 4、测试（各种测试执⾏）； 5、运维（项⽬上线管理环境）。

测试⼈员主要⼯作在第4步，其他步骤的参与程度，要取决于测试⼈员的职业定位。

测试职业定位有两个⽅向： 1、业务功能测试。

深耕于某⼀⾏业的业务流程，很资深，离开此⾏业多年经验就没价值了，看起来路有些窄，但公司不能没有这个⾓⾊，脱离了业务技术再厉害也没⽤。

要想⾛这条路，有7个核⼼竞争⼒：第⼀项核⼼竞争⼒—— 测试策略设计能⼒：这是在⼤量实践的基础上潜移默化形成。

（包括：测试要具体执⾏到什么程度；测试需要借助于什么⼯具；如何运⽤⾃动化测试以及⾃动化测试框架，以及如何选型（因为GUI⾃动化主要应⽤在核⼼功能上）；测试⼈员资源如何合理分配；测试进度如何安排；测试风险如何应对）。

第⼆项核⼼竞争⼒——测试⽤例设计能⼒：要不断地总结、归纳，新⼈可以阅读⼀些好的测试⽤例设计实例。

前两个最重要，其余5个是：快速学习能⼒、探索性测试思维、缺陷分析能⼒、⾃动化测试技术、良好的沟通能⼒。

2、测试开发。

开发测试框架和⼯具，提⾼测试效率。

有2个核⼼竞争⼒：第⼀项核⼼竞争⼒——测试系统需求分析能⼒：站在测试架构师的⾼度，识别出测试基础架构的需求和提⾼效率的应⽤场景。

第⼆项核⼼竞争⼒——更宽⼴的知识体系：你不仅要构建测试⼯具或者平台给测试开发⼯程师⽤，还要知道你的⼯具和平台如何接⼊到 CI/CD 的流⽔线以及运维的监控系统中去。

JeecgBoot2.3里程碑版本发布，支持微服务和单体自由切换、提供新行编辑表格JVXE。。。

JeecgBoot2.3⾥程碑版本发布，⽀持微服务和单体⾃由切换、提供新⾏编辑表格JVXE。

项⽬介绍JeecgBoot是⼀款基于代码⽣成器的低代码平台，开源界“⼩普元”超越传统商业级平台！采⽤前后端分离架构：SpringBoot 2.x，Ant Design&Vue，Mybatis-Plus，Shiro，JWT。

强⼤的代码⽣成器让前后端代码⼀键⽣成，⽆需写任何代码! 引领新的低代码开发模式(OnlineCoding模式-> 代码⽣成器模式-> ⼿⼯MERGE智能开发)，帮助Java项⽬解决70%的重复⼯作，让开发更多关注业务逻辑。

既能快速提⾼开发效率，帮助公司节省成本，同时⼜不失灵活性。

JeecgBoot还独创在线开发模式：在线表单、在线报表、在线图表、在线⼯作流等等。

当前版本：v_2.3 | 2020-09-14源码下载https:///zhangdaiscott/jeecg-boothttps:///jeecg/jeecg-boot技术⽂档在线演⽰：视频教程：技术⽂档：常见问题：QQ群：②769925425、③816531124、①284271917（满）升级⽇志JeecgBoot是⾥程碑SpringCloud微服务版，⽀持单体和微服务⾃由切换；提供新⾏编辑表格JVXETable，轻松满⾜各种复杂ERP布局，拥有更⾼的性能、更灵活的扩展、更强⼤的功能。

重⼤功能1、JAVA后端项⽬重构，提供轻松切换微服务SpringCloud⽅案，⽀持单体和微服务⾃由切换，⼗分钟搞定2、Online表单权限配置智能化，让权限授权更加简单易⽤。

3、新⾏编辑表格组件 JVXETable 推出，更强⼤的性能、⽀持灵活⾃定义组件，⽀持各种复杂业务场景，⽀持各种复杂布局，轻松满⾜ERP项⽬复杂布局要求、提供各种复杂布局场景⽰例。

4、Token安全漏洞严重问题解决平台优化升级JAVA后端结构改造⽀持微服务，增加SpringCloud Alibaba⽀持，⽀持微服务和单体⾃由切换swagger接⼝返回结果⽀持泛型JVXETable新列⾏编辑表格组件，并提供多套JVXETable⽰例升级mysql驱动依赖登录登出⽇志记录⼈员实体类主键策略修改，IdType.IDWORKERSTR全部改为IdType.ASSIGN_ID提供服务器端docker发布脚步，docker-compose-server.xml【代码⽣成器】新增⼀套模板：⼀对多tab风格【代码⽣成器】树列表⽀持条件查询，⽀持批量删除【代码⽣成器】⽣成代码⽀持按列排序【⽇志改造】⽇志按模块类型记录信息Apache Shiro漏洞问题解决、代码⽣成器升级依赖⽤户管理，逻辑删除字段类型是int，带引号会导致数据库不兼容处理swagger-ui 保持登录状态修改了，放开Swagger-ui消息推送采⽤模板消息freemarker解析模板⽤户表增加设备id，⽀持uniapp移动端消息推送开源反馈多租户系列问题处理⾏编辑⽰例合计功能bug修改【gitee#I1N3H1】eidtTable的值改变事件JSelectBizComponent组件切换页数值问题修复增加下拉搜索字典项监听改变事件左侧菜单栏缩放窗⼝后⽆法显⽰ issues#1498修复路由传参的值传送到jinput框被前后各截取了⼀位 #1336[LOWCOD-774]切换顶部模式显⽰问题popup ⽀持翻页多选bug登录⽂字写错修正ONLINE 优化升级Online ⼀对多ERP风格权限存在问题Online操作加⼀些操作⽇志Online字典表加权限控制机制逻辑Online导⼊表单功能，排除那些表前缀⽀持配置Online权限改造，更加简单易⽤Online 树列表删除时删除⼦节点数据Online 表单，只修改字段的默认值，执⾏同步不会变更数据库逻辑修复Online 表单添加loaded事件Online 视图按钮权限问题Online 新增处理⼦表是否只读Online 表单⼦表唯⼀校验⽀持Online ⼦表⽀持修改控件长度【gitee/I1P2UM】Online菜单权限内嵌风格逻辑缺失Online 数据权限问题 in查询问题LOWCOD-782Online表单开发，普通同步报错 LOWCOD-830Online 新增时间字段控件Online 查询默认值未⽣效修复Online href 跳转页⾯⽀持参数接收Issues处理控件默认值是“#{sysUserName}”,但是功能测试时控件没有默认值ERP模板界⾯，如果超时，点击重新登录，⽆法跳转到登录界⾯在线表单开发中数据表的某⼀字段的默认值设为#{sysUserName}时，⽆法获取到值。

代码生成器使用方法

代码生成器使用方法1.代码生成器简介。

(2)2.代码生成器代码目录介绍 (2)3.使用方法 (3)3.1将代码生成器目录COPY到项目中。

(3)3.2修改BUILD.XML (3)3.3CODEGENCONFIG.XML文件 (4)3.3.1数据库配置 .................................................................................... 错误！未定义书签。

3.3.2模版配置： (4)3.3.2.1单表生成配置： (7)3.3.2.2多表生成配置： (8)3.3.2.3主从表生成配置： (8)4.模版的写法 (9)4.1获取全局变量。

(9)4.2获取表名。

(10)4.3获取表注释 (10)4.4获取表定义的变量。

(10)4.5访问数据库列。

(10)1.代码生成器简介。

1.支持多种数据库代码的生成。

目前支持的数据库有SQL2005，Oracle，mysql。

2.使用freemaker作为模版引擎，可以生成任意类型的模版。

3.支持用户自定义模版，添加到代码生成器中。

4.方便和eclipse，myeclipse等工具集成，使用ANT执行代码生成.5.提供接口，允许用户自定义其他数据库的实现。

6.支持自定义全局变量和表级别变量。

7.在eclipse中支持代码自动提示。

8.支持增量式生成，可以将代码生成以增量的方式生成代码。

9.支持主从表代码生成，主表和从表都支持变量。

可以支持一个主表多个从表的代码生成。

10.支持多个表一次性生成，可以支持生成数据库文档，支持word数据库文档的生成。

2.代码生成器代码目录介绍refLib目录为需要引用的jar包。

Template 是freemaker模版目录。

Codegen.properties 为代码生成时所有到的数据库连接参数Codegenconfig.xml 为代码生成的配置文件。

EBSCO数据库

EBSCO数据库使用说明1. 登录图书馆主页，选择EBSCO数据库，登录数据库主页。

2. 选择数据库2.1. 对单个数据库进行检索如果要对某个数据库单独进行检索，只需用鼠标点击这个数据库的名称。

也可以在这个数据库前的方可供选择的服务。

在数据库前的框内打钩，然后按“continue”按钮。

2.2. 对多个数据库进行检索在所有欲同时检索的数据库前的方框内打钩，然后按按钮。

请注意：同时对多个数据库进行检索可能会影响某些检索功能或数据库的使用。

比如：如果所选的数据库使用了不同的主题词表，则无法使用主题检索功能；又如：单独检索Business Source Premier 数据库时可以使用CompanyProfiles 数据库，而同时对Business Source Premier 和其它数据库进行检索时则无法使用此数据库。

3. 基本关键词检索3.1. 运算符：3.1.1. 逻辑运算符（“and ”、“or ”、“not ”）：用于指定关键词之间的逻辑关系，必须同时出现（“and ”）、可出现任意一个或多个（“or ”）、不能出现（“not ”）3.1.2. 优先级（“(”和“)”）：在默认情况下，逻辑运算的优先级次序是“非”、“与”、“或”。

如果要改变默认的优先级次序，则需要使用“（”、“）”。

括号可以嵌套。

3.1.3. 通配符（“?”、“*”）：用于关键词中。

“?”用来替代任何一个字母或数字，“*”用来替代多个字母或数字。

但，用通配符替代的字母或数字仅限于一个关键词内输入关键词所选数据库开始检索默认检索策略使用提示限制选项扩展选项3.1.4. 位置运算符号（“Wn ”和“Nn ”）：用以指定关键词出现的顺序和位置关系。

“Wn ”表示关键词出现顺序与输入顺序相同且相隔最多n 个字；“Nn ”表示关键词出现顺序不必与输入顺序相同且相隔最多n 个字。

3.2. 检索策略3.2.1. 标准检索：关键词之间的逻辑关系由使用者指定，没有指定逻辑关系的关键词按词组检索。

生成器模式的应用场景

生成器模式的应用场景
生成器模式的应用场景有以下几种：
1. 创建复杂的对象：当创建一个对象需要多个步骤，并且每个步骤可能有多个选择时，可以使用生成器模式。

将对象的构建过程分解为多个部分，每个部分由一个具体的生成器类负责构建，通过控制生成器的组合顺序，可以构建出不同的对象。

2. 构建流程定义：生成器模式可以用于构建复杂的流程定义，将流程的各个步骤抽象为生成器类，通过组合生成器的方式定义出不同的流程。

3. 对象初始化配置：当对象的初始化过程比较复杂，需要根据不同的配置参数进行初始化时，可以使用生成器模式。

通过不同的生成器和配置参数的组合，可以构建出不同的对象。

例如，可以使用生成器模式来构建数据库连接池，根据配置参数的不同，生成不同配置的连接池。

4. 生成复杂的数据结构：当需要生成复杂的数据结构，而且希望这个过程可以灵活自定义时，可以使用生成器模式。

例如，可以使用生成器模式来构建一个树结构，通过不同的生成器来构建不同的子节点。

总的来说，生成器模式适用于构建复杂对象、定义流程、初始化配置等场景，可以帮助我们将复杂问题分解为多个简单的部分，并且可以通过不同的组合方式来构建不同的对象。

生成器模式应用案例

生成器模式应用案例
那我给你讲个生成器模式在做蛋糕时候的应用案例，可有趣啦。

想象一下，你要开一家蛋糕店，这蛋糕有好多不同的种类，像奶油蛋糕、巧克力蛋糕、水果蛋糕啥的。

如果按照传统的方式，你可能得针对每种蛋糕写一个专门的制作流程，这多麻烦呀，就像你要为每个不同的朋友单独定制一个完全不同的打招呼方式，累死人。

这时候呢，生成器模式就闪亮登场啦。

我们可以先创建一个蛋糕生成器，这个生成器就像是一个魔法模具。

比如说，这个生成器有几个关键的步骤：准备蛋糕胚、添加馅料、涂抹奶油、装饰。

如果是做奶油蛋糕，那生成器就会按照顺序，先烤出一个松软的蛋糕胚，然后在中间加上香甜的奶油做馅料，再在整个蛋糕表面涂抹上厚厚的奶油，最后简单地用一些糖霜做个装饰，一个美味的奶油蛋糕就大功告成啦。

要是做巧克力蛋糕呢，生成器还是按照这几个步骤来。

先烤出蛋糕胚，不过这个蛋糕胚里可能混合了巧克力粉，然后在中间加上巧克力酱做馅料，涂抹上巧克力味的奶油，最后用巧克力碎片或者坚果在蛋糕上做超酷的装饰。

水果蛋糕也是同样的道理。

先做蛋糕胚，然后把切好的新鲜水果一层一层地铺在中间当馅料，表面涂抹上带水果香味的奶油，再把各种颜色鲜艳的水果摆在蛋糕上做装饰。

这样一来，不管是哪种蛋糕，我们都可以用这个蛋糕生成器轻松搞定。

就像我们有一个万能的助手，只要告诉它我们想要什么类型的蛋糕，它就能按照既定的步骤组合出美味的成品。

这就是生成器模式在做蛋糕这个场景下的超棒应用啦。

科莱流量生成报告

科莱流量生成报告一、概述科莱流量生成报告是针对科莱流量生成器的使用情况进行总结和分析的报告。

科莱流量生成器是一种用于模拟网络流量的工具，可以帮助测试人员在安全测试、性能测试等场景中生成各种类型的网络流量。

本报告将对科莱流量生成器的使用方法、性能指标以及实际应用案例进行详细介绍和分析。

二、科莱流量生成器的使用方法2.1 安装和配置科莱流量生成器的安装和配置是使用该工具的第一步。

用户需要根据自己的操作系统选择相应的安装包，并按照安装指南进行安装。

安装完成后，用户需要进行一些基本的配置，如设置生成流量的类型、数量、速率等参数。

2.2 流量生成模式科莱流量生成器支持多种流量生成模式，包括单一流量生成、多流量生成、混合流量生成等。

用户可以根据自己的需求选择合适的模式，并进行相应的配置。

不同的流量生成模式适用于不同的测试场景，可以帮助用户更好地模拟实际网络环境。

2.3 流量生成规则科莱流量生成器提供了丰富的流量生成规则，用户可以根据自己的需求进行定制。

流量生成规则包括流量类型、流量大小、流量速率等参数的设置。

用户可以根据实际情况进行调整，以满足测试需求。

三、科莱流量生成器的性能指标3.1 流量生成速率科莱流量生成器的性能主要体现在流量生成的速率上。

流量生成速率可以通过每秒生成的流量数量来衡量，通常以Mbps或Gbps为单位。

科莱流量生成器的性能越好，生成的流量速率越高，可以更好地满足测试需求。

3.2 流量生成精度科莱流量生成器的流量生成精度是指生成的流量与实际流量之间的差异程度。

流量生成精度越高，生成的流量与实际流量越接近，测试结果越准确可靠。

3.3 系统资源占用科莱流量生成器在生成流量的过程中会占用一定的系统资源，包括CPU、内存、网络带宽等。

良好的性能指标应该是在保证流量生成速率和精度的前提下，尽量减少对系统资源的占用，以避免对其他应用程序的影响。

四、科莱流量生成器的实际应用案例4.1 安全测试科莱流量生成器在安全测试中的应用非常广泛。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

10
例子
某公司要设计一个房屋选购系统，系统内的房屋分为两种类型：普通型（Normal House）与豪华型（Luxury House）。不同房屋型的区别体现在面积（Area）大小以及卧室（Bedroom）、卫生间（Bathroom）、车库（Garage）、花园（Garden）和游泳池（Swimming Pool）的数量上。根据用户的选择，本软件采用三个图形界面，供用户具体选择房屋的各种指标。本程序采用生成器模式，设计图如图2.20所示。
• 在例子的设计中，添加一个经济型房屋生成器类，命名为EconHouseBuilder。请绘制新设计的类图。
13
8
例子
Luxury House 界面中的房屋属性部分包含 Area、Bedroom number、Garage type 、 Garden type 和 Swimmingpool type，每个选择都包含两个选项。
9
例子
该房屋选购系统包含一个主用户图形界面，当程序运行时，根据用户的选择输入： Normal House或Luxury House，将把两个用户图形界面嵌入到主用户图形界面中，供用户选择房屋的各项指标。最后，用户的选择信息将被同步显示到主图形界面的文本框中。房屋选购系统的时序图如图2.21选购系统，系统内的房屋分为两种类型：普通型（Normal House）与豪华型（Luxury House）。不同房屋型的区别体现在面积（Area）大小以及卧室（Bedroom）、卫生间（Bathroom）、车库（Garage）、花园（Garden）和游泳池（Swimming Pool）的数量上。根据用户的选择，本软件采用三个图形界面，供用户具体选择房屋的各种指标。本程序采用生成器模式。
2
引言
为了使构建复杂对象的过程和它的部件解耦，软件设计用一个类单独封装一个构造对象的过程，该类被称为Director类；设计另外一个类负责产生符合某些条件的不同部件类对象，称该类为CarBuilder类；另外还需要一个类封装产品，称之为Car。生成器模式是一步一步创建一个复杂的对象，它允许用户只通过指定复杂对象的类型和内容就可以构建它们，用户不知道内部的具体构建细节。构造Car对象的具体的交互可以由时序图表示，如图2.18所示。
6
例子
程序运行的主界面如图2.22所示。在图形界面的左上部，有“Choose House Type” 选择列表，在该选择列表中有Normal House 和 Luxury House选项。
7
例子
Noumal House 界面中新增的部分包含 Area、Bedroom number、Garage type 和 Garden type，每个选择都包含两个选项。
3
概念与机制
生成器模式将一个复杂对象的构建与它的表示分离，使得同样的构建过程可以创建不同的表示。生成器模式的设计类图如图2.19所示。
4
概念与机制
Director director = new Director(); director.setBuilder(cb); director.construct(); if ( cb == 1 ) Product1 = director.getObject(); else Product 2 = director.getObject();
11
例子
Director director = new Director(); director.setHouseBuilder( hb ); director.constructWholeHouseObj(); House hsObj = director.getHouse();
12
本周课程作业
软件设计模式与体系结构
2.2生成器模式
主讲教师：陈星助教：曾雪娥、刘艳萍等福州大学数学与计算机科学学院福建省网络计算与智能信息处理重点实验室
引言
汽车是一个比较复杂的对象，其组成包括底盘（Chassis）、外壳（Frame）、轮子（Wheels）、发动机（Engine）、邮箱（GasTank）、加速器（Accelerater）、刹车（Brake）、方向盘（SteeringWheel）、电池（Battery）、印象（Audio）、天窗（Sunroof）、巡航控制（Cruise Control）、卫星导航系统（GPS），等等。